Loading...

Indoor Radio-Wave Propagation Analysis using Physical Characteristics by Machine Learning Algorithms

Eslami, Mounes | 2024

2 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 56890 (05)
  4. University: Sharif University of Technology
  5. Department: Electrical Engineering
  6. Advisor(s): Shishegar, Amir Ahmad
  7. Abstract:
  8. In recent years, the application of machine learning algorithms for predicting physical phenomena and achieving a balance between problem-solving speed and accuracy has gained prominence. The propagation of radio waves in indoor environments, due to various phenom- ena such as multipath signals, requires a significant amount of time for simulation. This thesis explores the phenomenon of indoor wave propagation using machine learning algorithms. By utilizing physical features, the error in the predicted received power map is reduced. These features include the presence of a line-of-sight ray, the number of obstacles between the transmitter and receiver, the distance between the transmitter and receiver, and the direct line-of-sight field, disregarding boundaries. Additionally, the use of exponential first-order reflection and transmission terms enhances the algorithm’s understanding of the physical nature of the problem. Initially, a set of training samples is generated using MATLAB software. Subsequently, three algorithms, U-Net, LSTM network, and a hybrid algorithm, are employed to perform computations. The use of the hybrid algorithm can strike a well-balanced trade-off between accuracy and the required amount of training data for simulation. These algorithms are ap- plied to predict the received field within a building. Simulation results demonstrate a close approximation to ray tracing results when utilizing physical features
  9. Keywords:
  10. Ray Tracing ; Indoor Wave Propagation ; Physics-Based Machine Learning ; Radio Waves Propagation

 Digital Object List

 Bookmark

  • فهرست مطالب
  • فهرست شکل‌ها
  • فهرست جدول‌ها
  • معرفی
    • طبقه بندی الگوریتم‌های یادگیری ماشین
    • الگوریتم‌های یادگیری ماشین در مسائل الکترومغناطیس
    • الگوریتم‌های یادگیری ماشین در مسائل انتشار امواج
    • انتخاب نوع الگوریتم یادگیری ماشین
      • روش‌های مبتنی بر شبکه‌های عصبی
      • روش‌های غیر مبتنی بر شبکه‌های عصبی
      • روش‌های ترکیبی
    • خروجی روش‌های یادگیری ماشین و نحوه بررسی نتایج
    • جمع بندی
  • روش رهگیری پرتو
    • نظریه نور هندسی
    • ضرایب بازتاب و انتقال تیغه عایقی
    • رهگیری پرتو
    • روش تصویر
    • روش پرتاب پرتو
    • صحت سنجی کد رهگیری پرتو
    • جمع بندی
  • استفاده از شبکه عصبی U-Net برای تعیین تلف مسیر در داخل ساختمان
    • انتشار به عقب
    • مروری بر پرسپترون چند لایه
    • مروری بر الگوریتم شبکه عصبی کانولوشنی
    • شبکه U-Net
    • بررسی تقارن‌های ذاتی مسئله
    • اطلاعات ورودی شبکه U-Net
    • نتایج شبیه سازی با U-Net
    • جمع بندی
  • روش‌های دنباله ای
    • مروری بر روش‌های دنباله ای
    • نحوه ورود اطلاعات به شبکه LSTM
    • نتایج شبیه سازی
    • تاثیر افزودن بازتاب و انتقال مرتبه دوم
    • جمع بندی
  • ترکیب U-Net و LSTM
    • نحوه ترکیب دو الگوریتم
    • شبیه سازی با استفاده از شبکه ترکیبی
    • شبیه سازی در یک ساختار سه بعدی
    • جمع بندی
  • نتیجه گیری و زمینه پژوهش‌های آتی
  • مراجع
...see more